Präzise Vorhersagen thermodynamischer Eigenschaften sind für die Auslegung und Optimierung chemischer Prozesse von zentraler Bedeutung, da experimentelle Daten oft nur sehr begrenzt verfügbar sind. Etablierte, physikalische Modelle stoßen dabei zunehmend an ihre Grenzen hinsichtlich Vorhersagegenauigkeit und Anwendungsbreite. Moderne Methoden des Maschinellen Lernens (ML) bieten hier neue vielversprechende Möglichkeiten. Allerdings liefern ML basierte Ansätze in der Regel nicht physikalisch interpretierbare und konsistente Ergebnisse, was u.a. für sicherheitskritische Systeme problematisch ist.

Daher beschäftige ich mich damit, wie thermodynamisches Wissen mit ML Methoden zu hybriden Modellen zusammengeführt werden kann. Ziel ist es dabei, die Vorhersagegenauigkeit und Anwendungsbreite der Modelle zu erhöhen und gleichzeitig thermodynamische Konsistenz sicherzustellen. Der Schwerpunkt meiner Forschung liegt dabei auf der Entwicklung von Modellen zur Vorhersage der Eigenschaften komplexer Mischungen.

Vorlesungsbetreuung

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

• N. Hayer, T. Wendel, S. Mandt, H. Hasse, F. Jirasek: Advancing thermodynamic group-contribution methods by machine learning: UNIFAC 2.0, Chemical Engineering Journal 504 (2025) 158667. [DOI]

Vorträge

Poster